כשה-AI עושה את עבודת הג'וניורים, מי יצמיח מומחים?
רוב הדיון על בינה מלאכותית ושוק העבודה מתמקד בשאלה מי יאבד את עבודתו. זו שאלה חשובה, אבל לצדה מתפתחת בעיה אחרת, שקטה יותר: אם בינה מלאכותית תבצע יותר ויותר מהמשימות שעליהן מתאמנים עובדים בתחילת דרכם, כיצד הם יהפכו למומחים?
הבעיה אינה בהכרח שלמתחילים לא תהיה עבודה. להפך, ייתכן שלצעירים תהיה דווקא אוריינטציה טכנולוגית שתאפשר להם להשתלב היטב בעולם שבו עובדים לצד בינה מלאכותית. השאלה היא איזו עבודה הם יעשו, והאם זו עדיין תהיה עבודה שמאפשרת להם ללמוד את המקצוע.
הדבר נכון כמעט בכל מקצוע מבוסס ידע. עורך דין בתחילת דרכו קורא מסמכים, מחפש פסיקה ומכין טיוטות. מתכנת כותב קוד, מתקן תקלות ולומד ממערכות קיימות. כלכלן או אנליסט אוסף נתונים, בונה טבלאות ומכין ניתוח ראשוני. אלה בדיוק המשימות שבהן בינה מלאכותית נעשית יעילה יותר.
אלא שהמשימות האלה מעולם לא היו רק דרך לייצר תפוקה. הן היו גם דרך ללמוד. עורך הדין כתב עשרות טיוטות עד שלמד לזהות טיעון טוב; הכלכלן בנה שוב ושוב מודלים עד שפיתח אינטואיציה לגבי מספר שאינו מסתדר; המתכנת פתר מאות תקלות עד שלמד לזהות היכן באמת נמצאת הבעיה. מומחיות נבנית מחזרה, מטעויות, מתיקונים ומחשיפה למקרים רבים. אם המכונה עושה עבורנו חלק גדל והולך מהדרך הזאת, צריך לשאול כיצד נצבור את הניסיון שהיא מחליפה.
וכאן עלול להיווצר גם כשל שוק. ככל שבינה מלאכותית מאפשרת למומחים לבצע בעצמם יותר מהעבודה הבסיסית, למעסיק בודד יש פחות תמריץ להשקיע בעובדים מתחילים. אבל מה יקרה כשבעוד עשור אותם מעסיקים עדיין ירצו אנשים בעלי עשר שנות ניסיון? מאיפה יגיע הניסיון הזה?
כולנו נזדקק בעתיד למאגר של מומחים, אבל לכל ארגון בנפרד עלול להיות פחות כדאי להשקיע היום בתהליך הארוך שמייצר אותם. במחקר של פרופ' עינת אלבין מהאוניברסיטה העברית עלתה כבר בקרב חברות הייטק גרסה של אותה שאלה: אם צריך פחות ג'וניורים היום, מהיכן יגיעו הסניורים של מחר?
אין לכך פתרון פשוט. אבל ברור שהכשרה לעולם של בינה מלאכותית אינה יכולה להסתכם בללמד צעירים להשתמש בכלים החדשים. דווקא ככל שהמכונה עושה יותר, חשוב שהאדם יבין היטב את אבני הבניין של המקצוע, כדי שיוכל לבקר אותה, לזהות טעויות ולדעת מתי לא לקבל את התשובה שהיא מציעה.
בפקולטה למשפטים באוניברסיטה העברית זה הכיוון שאנחנו מנסים ללכת בו: לצד הקניית כלים לעבודה עם בינה מלאכותית, להמשיך ללמד קריאה מעמיקה של פסקי דין, בניית טיעון, זיהוי קושי וחשיבה משפטית עצמאית. המטרה אינה לבחור בין הכשרה מקצועית מסורתית לבין AI, אלא להבין שבעולם של AI נצטרך את שתיהן.
האקדמיה לבדה לא תוכל לפתור את הבעיה. גם מעסיקים יצטרכו לחשוב מחדש כיצד מאפשרים למתחילים לצבור ניסיון, ואולי אפילו להשקיע במכוון במשימות שכבר אינן הכרחיות לתפוקה, אבל עדיין חיוניות להכשרה.
הרבה מהדיון בבינה מלאכותית עוסק בשאלה איזו עבודה היא תחסוך לנו. השאלה הקשה יותר היא מה אנחנו מפסיקים ללמוד כשהיא עושה את העבודה במקומנו.
ד”ר גדי פרל הוא רכז המחקר במרכז פדרמן לחקר הסייבר באוניברסיטה העברית. עבודת הדוקטורט שלו עוסקת ברגולציה של בינה מלאכותית
